數(shù)據(jù)標準化操作是指將數(shù)據(jù)按比例縮放,使之落入一個小的特定區(qū)間。這樣的操作在機器學習中是比較常用的。在python中我們可以使用pandas模塊來實現(xiàn)數(shù)據(jù)標準化,那么怎么使用pandas模塊實現(xiàn)數(shù)據(jù)標準化呢?接下來這篇文章告訴你。
如下所示:
3σ 原則 | (u-3*σ ,u+3*σ ) |
離差標準化 | (x-min)/(max-min) |
標準差標準化 | (x-u)/σ |
小數(shù)定標標準化 |
x/10**k k=np.ceil(log10(max(|x|))) |
1.3σ原則
u 均值
σ 標準差
正太分布的數(shù)據(jù)基本都分布在(u-3σ,u+3σ)范圍內(nèi)
其他的數(shù)據(jù)
import pandas as pd
import numpy as np
def three_sigma(se):
"""
自實現(xiàn)3σ原則,進行數(shù)據(jù)過濾
:param se:傳進來的series結構數(shù)據(jù)
:return:去除異常值之后的series數(shù)據(jù)
"""
bool_id=((se.mean()-3*se.std())<se) & (se<(se.mean()+3*se.std()))
print(bool_id)
return se[bool_id]
#加載數(shù)據(jù)
detail=pd.read_excel('./meal_order_detail.xlsx')
#進行異常值處理
res=three_sigma(detail['amounts'])
print(detail.shape)
print(res.shape)
2.離差標準化
(x-min)/(max-min)
import pandas as pd
import numpy as np
def minmax_sca(data):
"""
離差標準化
param data:傳入的數(shù)據(jù)
return:標準化之后的數(shù)據(jù)
"""
new_data=(data-data.min())/(data.max()-data.min())
return new_data
#加載數(shù)據(jù)
detail=pd.read_excel('./meal_order_detail.xlsx')
res=minmax_sca(detail[['amounts','counts']])
print(res)
data=res
bool_id=data.loc[:,'count']==1
print(data.loc[bool_id],'counts')
3.標準差標準化
(x-u)/σ
異常值對標準差標準化的影響不大
轉化之后的數(shù)據(jù)--->均值0 標準差1
import pandas as pd
import numpy as np
def stand_sca(data):
"""
標準差標準化
:param data:傳入的數(shù)據(jù)
:return:標準化之后的數(shù)據(jù)
"""
new_data=(data-data.mean())/data.std()
return new_data
#加載數(shù)據(jù)
detail=pd.read_excel('./meal_order_detail.xlsx')
res=stand_sca(detail[['amounts','counts']])
print(res)
print('res的均值:',res.mean())
print('res的標準差:',res.std())
4.小數(shù)定標標準化
x/(10^k)
k=math.ceil(log10(max(|x|)))
以10為底,x的絕對值的最大值的對數(shù) 最后進行向上取整
import pandas as pd
import numpy as np
def deci_sca(data):
"""
自實現(xiàn)小數(shù)定標標準化
:param data: 傳入的數(shù)據(jù)
:return: 標準化之后的數(shù)據(jù)
"""
new_data=data/(10**(np.ceil(np.log10(data.abs().max()))))
return new_data
#加載數(shù)據(jù)
detail = pd.read_excel('./meal_order_detail.xlsx')
res = deci_sca(detail[['amounts', 'counts']])
print(res)
補充:pandas數(shù)據(jù)處理基礎之標準化與標簽數(shù)值化
fit(): Method calculates the parameters μ and σ and saves them as internal objects.
解釋:簡單來說,就是求得訓練集X的均值,方差,最大值,最小值,這些訓練集X固有的屬性。
transform(): Method using these calculated parameters apply the transformation to a particular dataset.
解釋:在fit的基礎上,進行標準化,降維,歸一化等操作(看具體用的是哪個工具,如PCA,StandardScaler等)。
fit_transform(): joins the fit() and transform() method for transformation of dataset.
解釋:fit_transform是fit和transform的組合,既包括了訓練又包含了轉換。 transform()和fit_transform()二者的功能都是對數(shù)據(jù)進行某種統(tǒng)一處理(比如標準化~N(0,1),將數(shù)據(jù)縮放(映射)到某個固定區(qū)間,歸一化,正則化等)
fit_transform(trainData)對部分數(shù)據(jù)先擬合fit,找到該part的整體指標,如均值、方差、最大值最小值等等(根據(jù)具體轉換的目的),然后對該trainData進行轉換transform,從而實現(xiàn)數(shù)據(jù)的標準化、歸一化等等。
Note:
必須先用fit_transform(trainData),之后再transform(testData)
如果直接transform(testData),程序會報錯
如果fit_transfrom(trainData)后,使用fit_transform(testData)而不transform(testData),雖然也能歸一化,但是兩個結果不是在同一個“標準”下的,具有明顯差異。(一定要避免這種情況)
注意:StandardScaler().fit_transform(x,fit_params),fit_params決定標準化的標簽數(shù)據(jù),就是每個標準化的標桿數(shù)據(jù),此參數(shù)不同,則每次標準化的過程則不同。
from sklearn import preprocessing
# 獲取數(shù)據(jù)
cols = ['OverallQual','GrLivArea', 'GarageCars','TotalBsmtSF', 'FullBath', 'TotRmsAbvGrd', 'YearBuilt'] ##選取列
x = data_train[cols].values
y = data_train['SalePrice'].values
x_scaled = preprocessing.StandardScaler().fit_transform(x) ##進行歸一化
y_scaled = preprocessing.StandardScaler().fit_transform(y.reshape(-1,1))##先將y轉換成一列,再進行歸一
還有以下形式,和上面的標準化原理一致,都是先fit,再transform。
由ss決定標準化進程的獨特性
# 先將數(shù)據(jù)標準化
from sklearn.preprocessing import StandardScaler
ss = StandardScaler() ##
#用測試集訓練并標準化
ss.fit(missing_age_X_train)##首先fit
missing_age_X_train = ss.transform(missing_age_X_train) #進行transform
missing_age_X_test = ss.transform(missing_age_X_test)
標簽數(shù)值化
1.當某列數(shù)據(jù)不是數(shù)值型數(shù)據(jù)時,將難以標準化,此時要將數(shù)據(jù)轉化成數(shù)據(jù)型形式。
數(shù)據(jù)處理前數(shù)據(jù)顯示:
經(jīng)過標簽化數(shù)據(jù)處理
from sklearn import preprocessing
f_names = ['CentralAir', 'Neighborhood'] ##需要處理的數(shù)據(jù)標簽
for x in f_names:
label = preprocessing.LabelEncoder()
data_train[x] = label.fit_transform(data_train[x]) ##數(shù)據(jù)標準化
處理之后變成:
2.當某列有對應的標簽值時,即某個量對應相應確定的標簽時,例如oldtown就對應1,sawyer就對應2,分類的str轉換為序列類這時使用如下:
數(shù)據(jù)處理之前
利用轉換:
title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Rare": 5}#將標簽對應數(shù)值
train_df['Title'] = train_df['Title'].map(title_mapping)#處理數(shù)據(jù)
train_df['Title'] = train_df['Title'].fillna(0)##將其余標簽填充為0值
處理過后:
3.多個數(shù)據(jù)標簽需要分列采用one_hot形式時,處理之前
處理之后
train_test.loc[train_test["Age"].isnull() ,"age_nan"] = 1 ##將標簽轉換成1
train_test.loc[train_test["Age"].notnull() ,"age_nan"] = 0##將此標簽成為0
train_test = pd.get_dummies(train_test,columns=['age_nan']) ##columns決定哪幾行分列處理,prefix參數(shù)是每列前綴
one_hot 形式轉變成功。
以上就是怎么使用pandas模塊實現(xiàn)數(shù)據(jù)標準化的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持W3Cschool。